文摘
发电的预测光伏电池板在不同气候条件下的重要性。本文的目的是预测的输出功率3.2千瓦光伏电站使用MLP-ABC(多层perceptron-artificial蜜蜂殖民地)算法。实验数据(环境温度、太阳辐射、相对湿度)从德黑兰大学聚集在中间五分钟的休息时段的光伏电站从9月22日,2012年,2013年1月14日。数据验证后,10665年的数据集,相当于35天,被用于分析。使用MLP-ABC算法输出功率预测的平均绝对百分误差(日军)均值偏移误差(MBE)和相关系数(),3.7、3.1和94.7%,分别。网络的优化配置包括两个隐藏层。第一层有四个神经元和第二个有两个神经元。详细的经济分析也提出了阳光和多云天气条件下使用COMFAR三世软件。详细成本分析表明,总投资的回收期将在阳光充足的时间3.83年和4.08年的多云的时期。结果表明,太阳能光伏电站的可行性从经济的观点在多云和晴朗的天气条件。
1。介绍
光伏电池收集太阳光转化成电能,它是利用太阳能的最方便的方式。太阳能电池板的性能强烈依赖于太阳辐照的可用性在所需的位置,光伏面板的温度和其他环境条件。因此,可靠的知识和理解光伏电池板的性能在不同的操作条件下非常重要的准确预测的能量输出和正确的选址1]。
近年来,大量的研究项目已经进行了相关的预测太阳能光伏系统的效率和优化的有效参数使用人工智能技术(2]。一些研究已经完成,以探讨环境因素影响电流电压(我- - - - - -V)的特点,光伏模块基于开路电压的同步测量慢变光强度的函数(3]。Bayrakci et al。4]分析了温度对光伏模块的性能的影响。也有一些功率效率模型(5)可以预测光伏系统的真正动态或平均性能变量气候条件下(6]。
数学建模的主要缺点是模型的参数对操作条件的依赖性;即一个给定的一组操作条件需要一套相应的参数。这主要弱点限制了模型的应用。此外,也没有特定的数学模型预测光伏输出在多云天气。许多人工神经网络(ann),它只使用一个算法对不同天气条件下,已经发展为了找到最优操作点的光伏电池板(7- - - - - -9]。的研究领域进行了人工神经网络显示更准确的数据分类和一个特殊的发展为每个分类算法,可以实现更好的结果。
通过增加太阳能电池板的输出功率的预测准确性,更好的控制可以达到更高的精度。这将允许我们增加光伏电池板的能源效率和使他们更成本有效10,11]。结果可用于构建一个智能控制器,它能找到的最大功率点(MPP) [12- - - - - -14]。控制器会发现MPP根据安预测当辐射云覆盖减少造成的突然。多云的天空的湿气候条件的地区,如地中海或北部的伊朗,这种方法适用于研究以优化的输出能量预测面板。
本研究的主要目的是追求一个简化仿真模型,在可接受的水平的精度,为了预测光伏模块的输出功率在不同的操作条件下,给予特别考虑云的突然出现。为此,分类方法应用和数据分为两组:多云的数据和阳光明媚的数据。20年的财务指标光伏电站的生命周期,考虑晴天和多云的时期,计算和比较。摘要MLP-ABC算法被用来预测太阳能电池板的输出能量。获得的结果表明,这些方法可以用来代替耗时的实验测试,以确定光伏电池板的输出能量与理想水平的准确性。一个详细的经济分析软件也使用COMFAR三世。
2。材料和方法
2.1。数据
数据测量和数据记录器注册的5分钟的间隔,从德黑兰大学光伏电站,位于德黑兰,伊朗,在37.51 N°的经度,纬度47.35°E,海拔1548米(见图1)。
在这项研究中,环境温度、相对湿度、入射辐射,和光伏输出功率之间的9月22日,2012年1月14日,2013年。进行了验证测试数据来验证数据的准确性的登记。为此,入射辐射比较与地外辐射。测量功率是集成计算获得的总能量在每一天和光伏模块的标称功率值进行比较。
3所示。延时(多层感知器神经网络)
一个MLP神经网络用于数据分类。mlp由输入层、隐藏层和输出层,含有某些神经元(见图2)。这个延时构建,计算太阳能阵列的力量,有一个输出层组成的两个神经元计算MPP表示输出电压和电流,对应的最大功率点的数组。我们215个样本用于培训和104个样本用于测试网络。MLP神经网络训练过程中对数据分类类别,最终目标是找到最好的神经网络权重可以终止的最小均方误差(MSE)。在本文中,提出了简化梯度法寻找最优的神经网络权重。输出对应于这些网络的输入与输出。如果这两个值之间的差别较小,网络将是训练有素。
4所示。MLP-ABC(多层感知器神经网络与ABC算法)
蜜蜂殖民地在2005年由Karaboga算法。这个算法的灵感来源于蜂群的探索行为,这是类似于其他智能组的方法。它使用一个单独的某个人在一组集合没有特别聪明。雇佣和苏格兰人蜜蜂共同努力,找到最好的解决问题。第一个工作对当前解决方案和身边的它希望改进的结果。中没有一个可以接受的结果,采用蜜蜂成为苏格兰人并试图寻找另一种解决方案在更远的地区。ABC算法用于解决连续优化问题,找到最优的函数或组合多个标量函数(15]。ABC算法的主要步骤是每雅利安et al。16]。
延时发现最好的重量通过梯度下降方法,计算它们的误差反向传播(不同的网络输出和期望的那些)之间通过网络。然而,由于这是一个优化问题,ABC可以利用相反的反向传播方法。在MLP-ABC,权重计算蜜蜂代理的集合。他们寻找最优组合权重的解空间,从而导致最好的网络问题。
为了应用MLP-ABC模型,输入参数是空气温度(°C),辐照度(W / m2)、相对湿度(%)和输出就是力量。模型包括两个隐藏层。第一层有四个神经元和第二个有两个神经元。
4.1。潜在的假设和数据选择
确定阴沉的天空需要复杂和昂贵的设备。然而,正如众所周知,传入的太阳辐射直接关系到朦胧的水平。晴朗指数()是标准(金额总额的水平表面太阳辐射在地球表面,除以相应的辐照度可用外的大气)确定云突然露面。明显的指数变化的关键是在一个阳光明媚的一天。例如,在7点太阳时颜色指数是0.25,但它变成0.65 12:00太阳时。的平均值因此在每天不同的时间计算。假定在任何给定的时刻,无论何时变得比长期平均水平低40%,它认为云覆盖发生。
作为一个更精确的标准,如果在短时间内(小于5分钟),辐照度降低,然后增加,这个时期应该是树荫下影响光伏面板。这种假设可能导致错误在确定正确的时间突然云。灰尘,短暂的阴影,和其他因素也可能导致这种情况。这个错误降到最低,同时使用上述标准。这意味着每当减少辐射的数量波动时,条件被认为是多云。关于这个事实,3090组数据证明多云天气。然而,由于多云天气的目的是预测效果的降低辐照度和输出面板中,假设是可以接受的。
表1表示云数据库的统计分类。日常数据分析表明,在天的晴朗的天空没有云也没有灰尘,太阳辐射在12:00(这被认为是能够达到的最大辐照度)变化之间的850 W和1100 W。在阴天的数据显示了最大辐照度为499.7 W,这表明在偶然的辐射云的影响。因此,当辐照度与异常波动时,它可以被认为是云出现在面板的结果。本研究的概念不仅是预测光伏电池板的输出功率和能量,但也为这些条件建立一个控制系统。它可以成为一个伟大的帮助优化光伏电池板的输出功率时突然出现云覆盖。
5。数据准备
数据归一化在0和1之间的更好的网络学习以下方程: 在哪里表示归一化值和表示实际值。收集的数据是在大约四个月。然而,应用数据预处理后,只有6895“阳光明媚”数据的集合和3090年“多云”数据仍为创建集合MLP-ABC和680块数据的测试网络。平均绝对百分比误差(日军)是用于比较的模型。它是一个测量精度的方法构建拟合时间序列值统计,特别是在趋势估计(17]。它通常表达准确定义的比例如下: 平均偏移误差(MBE)和相关系数()计算如下:
6。经济分析
在这个案例研究中,光伏电池板的一生经济分析使用MLP-ABC算法比较晴朗的和多云的时期。
净现值(NPV),内部收益率(IRR),投资回收期(PBP)和资产负债表项目的准备根据接受的标准基于一个20年的使用寿命。细节可以在COMFAR完整版的报告;然而,一个简短的总结提出了表2。
一个有用的工具跟踪企业的现金流是一个盈亏平衡分析。这一点是很重要的决定权力的价格为了光伏还生成一个贡献。投资的盈亏平衡分析以确定多少年才能产生足够的贡献的固定和可变成本(18]。我们的目标是降低保本点和产生利润,重要的是要理解这个概念。数据3和4显示了盈亏平衡分析多云的时间和阳光明媚的日子,分别。在这项研究中,最佳效率点(cep)晴天和多云的时期分别为17.40%和18.29%,分别。
内部收益率或贴现现金流收益率,为分析师提供的方法量化投资提供的回报率。COMFAR报告显示,它生成的项目是充分可行的晴天的IRR为35.13%。这被认为是一个有吸引力的回报率。项目的IRR阴天32.25%仍有吸引力。最终,IRR给投资者的手段比较另类投资基于他们的收益。
电池板的输出功率在阴天条件下测量和记录。面板上的有效的云被分成两类:()覆盖天空,云层影响的面板超过2小时()部分云阴影的面板只有一个时刻或几分钟(见图5)。
7所示。结果与讨论
本研究提出了一种分析展示当云经过一个太阳能发电厂。经济分析,提出了在这一研究中,演示了突然云覆盖造成的经济损失和阴影的面板。
在这个研究中,多云的天空条件的影响产生的能量板了。产生的能量板在多云和阳光充足的气候条件是通过人工神经方法分别预测(MLP-ABC)。
两个模型均以不同的方式为多云和晴朗的天气条件。误差计算和评价结果表明,第一个模型对不同条件可以显著降低(表错误3)。
正如前面提到的,更准确地预测光伏电池板的输出能量可以增加能源供应的精密规划和控制系统的设计精度。数据6,7,8,9显示使用称为光伏电池板的输出功率预测方法。
数据6和8显示模型的预测能力之间的比较1和测量能力。如图所示,该模型还跟踪云层的波动。在精确的层面上看,小波动发生在权力的实测数据接近它的最大水平。发达在跟踪这些波动模型面临着一些困难。然而,这些波动并不是由云或外部因素引起的,和他们的价值很低。因此,它是合理的忽略它。
对比数据7和9显示私有化的影响数据,以减少错误晴天和多云天气。证明在经济分析部分的方法被用来确定能量损失。2012年的数据收集从9月22日,2013年1月14日。
8。结论
摘要输出能量的3.2千瓦光伏太阳能发电厂使用MLP-ABC算法和预测结果与实验数据相比。环境温度、辐照度水平表面上,和光伏发电(乘以电流和电压)收集在德黑兰大学的光电实验室9月22日,2012年和2013年1月14日。10665块每隔5分钟测量的数据预处理后(约35天以上)。
为了提高神经网络的性能,晴天与阴天。清洁度索引值小于0.3,被认为是阳光明媚的一天,如果辐射波动在短时间间隔发生,被认为是阴天。
输出能量预测的两种方法。在第一种方法中,所有晴天和多云的数据使用和接受的结果(日军= 4.7%,= 83.1%,MBE = 9.5)。在第二个方法中,预测精度明显改善了分离晴天和多云的数据(日军= 3.7%,= 94.7%,MBE = 3.1)。
假设是神经网络数据分类提高该模型的性能。已经得出的结论是,天气预报和不同天气条件下的分离,输出功率预测可以更准确地完成。
在这项研究中,大约5237千瓦时/年产生的太阳能发电厂的电力在阳光明媚的天气状况和924千瓦时/年在多云的天气条件下,与能量损失由于面板材质293千瓦时/年左右。
结果表明,该项目是可行的,因为的irr为35.13%和32.25%(晴天和多云的时期,职责。)。这些被认为是有吸引力的回报率在资本市场。投资回收期3.83年模型# 1 # 2和4.08年的模型。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
本文研究工作基础上研究委员会支持的伊斯兰德黑兰自由大学南分支(合同编号。812)。作者也感谢法扎德对他的学术建议和Alireza Nikookar Jafarkazemi博士和Ahmad Razeghi技术支持。